Neurala nätverk^{(Neural Networks)} och Deep Learning är för närvarande de två heta modeord som används nuförtiden med artificiell intelligens^{(Artificial Intelligence)} . Den senaste utvecklingen i världen av artificiell intelligens kan tillskrivas dessa två eftersom de har spelat en betydande roll för att förbättra intelligensen för AI.

Se dig omkring och du kommer att hitta fler och fler intelligenta maskiner runt omkring. Tack vare neurala nätverk^{(Neural Networks)} och djupinlärning utförs^{(Deep Learning)} jobb och förmågor som en gång ansågs vara människors styrka nu av maskiner. Idag är maskiner inte längre gjorda för att äta mer komplexa algoritmer, utan istället matas de för att utvecklas till ett autonomt, självlärande system som kan revolutionera många industrier runt om.

Neurala nätverk^{(Neural Networks)} och Deep Learning har gett forskarna enorm framgång i uppgifter som bildigenkänning, taligenkänning, att hitta djupare relationer i en datamängd. Med hjälp av tillgången på enorma mängder data och beräkningskraft kan maskiner känna igen objekt, översätta tal, träna sig i att identifiera komplexa mönster, lära sig att utforma strategier och göra beredskapsplaner i realtid.

Så, exakt hur fungerar detta? Vet du att både neutrala ^(Neutral) nätverk^(Networks) och djupinlärning^{(Deep-Learning)} faktiskt relaterade till att förstå djupinlärning^(Deep) , måste du först förstå om neurala nätverk^{(Neural Networks)} ? Läs vidare för att veta mer.

Vad är ett neuralt nätverk

Ett neuralt^(Neural) nätverk är i grunden ett programmeringsmönster eller en uppsättning algoritmer som gör det möjligt för en dator att lära sig av observationsdata. Ett neuralt^(Neural) nätverk liknar en mänsklig hjärna, som fungerar genom att känna igen mönstren. Sensoriska data tolkas med hjälp av en maskinuppfattning, märkning eller klustring av rå input. Mönstren som känns igen är numeriska, inneslutna i vektorer, till vilka data som bilder, ljud, text etc. översätts.

Think Neural Network! Think how a human brain function

Som nämnts ovan fungerar ett neuralt nätverk precis som en mänsklig hjärna; den skaffar sig all kunskap genom en inlärningsprocess. Därefter lagrar synaptiska vikter den förvärvade kunskapen. Under inlärningsprocessen reformeras nätverkets synaptiska vikter för att uppnå det önskade målet.

Precis som den mänskliga hjärnan fungerar neurala nätverk^{(Neural Networks)} som icke-linjära parallella informationsbehandlingssystem som snabbt utför beräkningar som mönsterigenkänning och perception. Som ett resultat presterar dessa nätverk mycket bra inom områden som tal, ljud och bildigenkänning där ingångarna/signalerna i sig är olinjära.

Med enkla ord kan du komma ihåg Neural Network som något som kan lagra kunskap som en mänsklig hjärna och använda den för att göra förutsägelser.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Neurala nätverks struktur

(Bildkredit: Mathworks)

Neurala nätverk^(Networks) består av tre lager,

1. Indatalager,
2. Dolt lager, och
3. Utdatalager.

Varje lager består av en eller flera noder, som visas i diagrammet nedan med små cirklar. Linjerna mellan noderna indikerar informationsflödet från en nod till nästa. Informationen flödar från ingången till utgången, dvs från vänster till höger (i vissa fall kan det vara från höger till vänster eller åt båda hållen).

Noderna i inmatningsskiktet är passiva, vilket innebär att de inte modifierar data. De får ett enda värde på sin ingång och duplicerar värdet till sina flera utgångar. Medan^(Whereas) noderna för det dolda och utgående lagret är aktiva. På så sätt kan de ändra uppgifterna.

I en sammankopplad struktur dupliceras varje värde från indatalagret och skickas till alla dolda noder. Värdena som kommer in i en dold nod multipliceras med vikter, en uppsättning förutbestämda tal lagrade i programmet. De viktade ingångarna läggs sedan till för att producera ett enda nummer. Neurala nätverk kan ha valfritt antal lager och valfritt antal noder per lager. De flesta applikationer använder treskiktsstrukturen med maximalt några hundra ingångsnoder

Exempel på neuralt nätverk^{(Example of Neural Network)}

Tänk på ett neuralt nätverk som känner igen objekt i en ekolodssignal, och det finns 5000 signalsampel lagrade i datorn. PC:n måste ta reda på om dessa prover representerar en ubåt, val, isberg, havsstenar eller ingenting alls? Konventionella DSP-^{(Conventional DSP)} metoder skulle närma sig detta problem med matematik och algoritmer, såsom korrelations- och frekvensspektrumanalys.

Medan med ett neuralt nätverk, skulle de 5000 proverna matas till ingångsskiktet, vilket resulterar i att värden poppar från utgångsskiktet. Genom att välja rätt vikter kan utgången konfigureras för att rapportera ett brett utbud av information. Till exempel kan det finnas utgångar för: ubåt (ja/nej), havssten (ja/nej), val (ja/nej), etc.

Med andra vikter kan utgångarna klassificera objekten som metall eller icke-metall, biologiska eller icke-biologiska, fiende eller allierade, etc. Inga algoritmer, inga regler, inga procedurer; endast ett förhållande mellan ingången och utmatningen dikteras av värdena för de valda vikterna.

Låt oss nu förstå konceptet med Deep Learning.^{(Now, let’s understand the concept of Deep Learning.)}

Vad är en djupinlärning

Deep learning är i grunden en delmängd av neurala nätverk^{(Neural Networks)} ; kanske kan man säga ett komplext neuralt nätverk^{(Neural Network)} med många dolda lager i sig.

Tekniskt sett kan Deep learning också definieras som en kraftfull uppsättning tekniker för inlärning i neurala nätverk. Det hänvisar till artificiella neurala nätverk ( ANN ) som är sammansatta av många lager, massiva datamängder, kraftfull datorhårdvara för att göra komplicerade träningsmodeller möjliga. Den innehåller klassen av metoder och tekniker som använder artificiella neurala nätverk med flera lager av allt rikare funktionalitet.

Struktur för nätverk för djupinlärning^{(Structure of Deep learning network)}

Deep learning-nätverk använder mestadels neurala nätverksarkitekturer och kallas därför ofta för djupa neurala nätverk. Användning av arbete "djupt" hänvisar till antalet dolda lager i det neurala nätverket. Ett konventionellt neuralt nätverk innehåller tre dolda lager, medan djupa nätverk kan ha så många som 120-150.

Deep Learning innebär att ett datorsystem matas med mycket data, som det kan använda för att fatta beslut om annan data. Denna data matas genom neurala nätverk, vilket är fallet vid maskininlärning. Nätverk för djupinlärning^(Deep) kan lära sig funktioner direkt från data utan att behöva manuellt extrahera funktioner.

Exempel på djupinlärning^{(Examples of Deep Learning)}

Deep learning används för närvarande i nästan alla branscher, från bil^(Automobile) , flyg^(Aerospace) och automation till medicinsk^(Medical) . Här är några av exemplen.

• Google , Netflix och Amazon : Google använder det i sina röst- och bildigenkänningsalgoritmer. Netflix och Amazon använder också djupinlärning för att bestämma vad du vill se eller köpa härnäst
• Att köra utan förare: Forskare använder nätverk för djupinlärning för att automatiskt upptäcka föremål som stoppskyltar och trafikljus. Deep learning används också för att upptäcka fotgängare, vilket hjälper till att minska antalet olyckor.
• Flyg och försvar: Deep learning används för att identifiera objekt från satelliter som lokaliserar områden av intresse och identifiera säkra eller osäkra zoner för trupper.
• Tack vare Deep Learning hittar och taggar Facebook automatiskt vänner i dina foton. Skype kan översätta talad kommunikation i realtid och ganska exakt också.
• Medicinsk forskning: Medicinska forskare använder djupinlärning för att automatiskt upptäcka cancerceller
• Industriell automation^{(Industrial Automation)} : Djup inlärning hjälper till att förbättra arbetarnas säkerhet kring tunga maskiner genom att automatiskt upptäcka när människor eller föremål befinner sig inom ett osäkert avstånd från maskiner.
• Elektronik: Deep learning används i automatiserad hörsel- och talöversättning.

Läs^(Read) : Vad är maskininlärning och djupinlärning^{(Machine Learning and Deep Learning)} ?

Slutsats^(Conclusion)

Konceptet med neurala nätverk^{(Neural Networks)} är inte nytt, och forskare har mött måttliga framgångar under det senaste decenniet eller så. Men den verkliga spelomvandlaren har varit utvecklingen av Deep neurala nätverk.

Genom att prestera bättre än de traditionella metoderna för maskininlärning har det visat att djupa neurala nätverk kan tränas och testas inte bara av ett fåtal forskare, utan det har utrymme att anammas av multinationella teknikföretag för att komma med bättre innovationer inom en snar framtid.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizer: SMS-applikation som drivs av Machine Learning

• Vad är maskininlärning och djupinlärning inom artificiell intelligens

• Hur man installerar Drupal med WAMP på Windows

• Bästa mjukvara och hårdvara Bitcoin-plånböcker för Windows, iOS, Android

• Ställ in Internet Radio Station gratis på Windows PC

• Det kontot är inte kopplat till något Mixer-konto

• Vad är virtuella kreditkort och hur och var får man dem?

• Hur man använder en mall för att skapa ett dokument med LibreOffice

• Gratis Task Management Software för att hantera lagarbete

• Vad är "Chip and PIN" eller EMV-kreditkort

• Hur man tar bort ditt LastPass-konto

• Utestängd från Plex Server och Serverinställningar? Här är fixen!

• Bring Your Own Device (BYOD) fördelar, bästa praxis, etc.

• Hur stänger jag ditt Payoneer-konto?

• Hur man skapar självsignerade SSL-certifikat i Windows 11/10

• Vad är Blue Whale Challenge Dare Game

• De bästa funktionerna i LibreOffice Calc

• E-avfallshantering, återvinning, kassering, fakta, problem, lösningar

• Fix Partner anslöt inte till routerfel i TeamViewer på Windows 10

• Hur man konverterar binär till text med denna text till binär konverterare